توصيف معلمات الانبعاث الصوتي وتحديد انتشار الكسر على مراحل في تركيب كتلة متصلبة-فحم قائم على نهجين تجريبي وتعلم آلي

الاستماع إلى المشاكل في أعماق الأرض

تعتمد المناجم الحديثة للفحم على أعمدة تحت الأرض ومواد إعادة التعبئة المصنوعة يدويًا لدعم مئات الأمتار من الصخور. إذا فشلت هذه الدعائم فجأة، فقد يؤدي ذلك إلى انهيارات سقفية كارثية. تُظهر هذه الدراسة كيف يمكن للمهندسين «الاستماع» إلى أصوات التشققات الدقيقة داخل هيكل مركب من كتلة إعادة تعبئة متصلبة وعمود فحم، واستخدام الذكاء الاصطناعي للتعرّف على مراحل التحذير قبل الفشل، مما يشير إلى تحذيرات أذكى وأكثر مبكرة في المناجم الحقيقية.

كيف تعمل كتلة مصطنعة والصخر والفحم معًا

في بعض المناجم الصينية، تُستخدم تقنية تُدعى الحفر المستمر وإعادة التعبئة بمخلفات الصخور لتحل محل جزء من الفحم بكتلة متصلبة مصنوعة من الصخور النفايات والأسمنت والرمل. تشارك هذه الكتلة وعمود الفحم المتبقي مهمة دعم الطبقات أعلاه، مكوّنة ما يسميه المؤلفون «تركيب كتلة متصلبة–فحم». وبما أن هذا التركيب يقع في منطقة تركّز إجهاد ويتعرّض لاضطراب من التعدين المستمر، فإن فهم الكيفية والزمان اللذين تبدأ فيهما التشققات ضروري لتحقيق الاستقرار طويل الأمد وسلامة العمال.

تحويل التشققات الصغيرة إلى إشارات مفيدة

عندما تُضغط الصخور، فإنها تُصدر موجات مرنة عالية التردد عند تشكل ونمو الشقوق الدقيقة. يمكن لمستشعرات الانبعاث الصوتي الحساسة، الملصوقة على جوانب عينات المختبر، التقاط هذه الإشارات قبل بكثير من ظهور أي ضرر مرئي. أنشأ الباحثون عينات مركبة من الفحم وكتلة إعادة التعبئة المتصلبة، ثم قاموا بضغطها تدريجيًا أثناء تسجيلهم لملايين الأحداث الصوتية. فحصوا عدة جوانب لهذه الإشارات: تكرار حدوثها، وكيفية توزيع طاقتها، وكيف تغير أشكال موجاتها مع الزمن. من خلال تتبع هذه المعلمات جنبًا إلى جنب مع الإجهاد والانفعال للعينات، تمكنوا من ربط تغيّر أنماط الصوت بمراحل مميزة من التلف الداخلي.

نمو الشقوق على مراحل يمكن تمييزها

أظهرت الاختبارات أن التركيب المركب لا يفشل دفعة واحدة؛ بل يمر بتسلسل من المراحل. في البداية، تُضغط المسام والفجوات الصغيرة ببساطة، مع ظهور عدد قليل فقط من الإشارات الصوتية الضعيفة. مع زيادة التحميل، يدخل المادة مرحلة مطاطية حيث تبدأ الشقوق الدقيقة في التكوّن، وتزداد النشاطات بشكل حاد، مما ينتج قمة أولى في عدد الإشارات. لاحقًا، عندما تبدأ الشقوق الأكبر في التكوّن والاتصال عبر التعبئة والفحم وتتفاعل مع بعضها، تصبح أنماط الإشارات أكثر كثافة وتعقيدًا، مما يؤدي إلى قمة ثانية أقوى مرتبطة بالكسر غير المستقر والفشل النهائي. استجابت المقاييس المبنية على توزيع الطاقة-التردد وشكل الموجة بطرق مميزة خلال هذه المراحل، مما يعني أن «توقيع الصوت» للانضغاط، ونمو الشقوق المستقر، والانفلات غير المستقر يمكن تمييز كل منها.

تعليم الآلات قراءة إشارات التحذير

لتحويل هذه الأنماط إلى أداة عملية، أدخل الفريق أربعة معلمات صوتية رئيسية إلى عدة نماذج تعلم آلي مصممة للتعرّف على مرحلة التلف التي توجد فيها العينة في أي لحظة. اختبروا غابات عشوائية، وآلات المتجه الداعمة، وطريقتين متقدمتين للتدرج المعزز. تعلمت النماذج الأربعة تصنيف المراحل بدقة عالية، لكن نموذج التدرج الخفيف المعزز أدى الأداء الأفضل، حيث حدّد بشكل صحيح أكثر من 85% من نوافذ الزمن عبر جميع المراحل. ثم استخدم المؤلفون طريقة تفسير شعبية لمعرفة أي المعلمات كانت الأهم، واستخدموا درجات الأهمية تلك لبناء مؤشر تحذير موحّد واحد. يدمج هذا المؤشر جوانب مختلفة من السلوك الصوتي في منحنى واحد يرتفع مع انتقال التركيب من حالات آمنة إلى حالات خطرة.

ماذا يعني هذا لسلامة المناجم

بعبارة بسيطة، تُظهر الدراسة أن نظام دعم التعبئة–الفحم يصدر إشارات قبل أن ينكسر، وأن الحواسيب يمكنها تعلّم لغة هذه الإشارات. من خلال مراقبة مجموعة مختارة بعناية من الميزات الصوتية ودمجها في مؤشر تحذير واحد، يمكن للمهندسين، من الناحية النظرية، اكتشاف متى يتحول التركيب من تشققات غير ضارة إلى شقوق تنتشر بسرعة تسبق الانهيار. ومع أن المؤشر المقترح ما زال قائمًا على اختبارات مختبرية مضبوطة ويجب تعديله لظروف الألغاد الأرضية الأكثر ضوضاءً وتعقيدًا، فإنه يقدم إطارًا واضحًا لأنظمة مراقبة المناجم المستقبلية التي تهدف إلى تحويل الهمسات الباطنية الخافتة إلى تحذيرات مبكرة موثوقة.

الاستشهاد: Tan, Y., Cheng, H., He, M. et al. Characterization of acoustic emission parameters and identification of staged fracture propagation in solidified body-coal combination based on experimental and machine learning approaches. Sci Rep 16, 8314 (2026). https://doi.org/10.1038/s41598-026-37101-0

الكلمات المفتاحية: الانبعاث الصوتي, استقرار منجم الفحم, انكسار الصخور, مراقبة التعلم الآلي, أنظمة الإنذار المبكر